Klassifikation technischer Signale für die Geräuschdiagnose von Maschinen und Bauteilen

Der Schwerpunkt der Arbeiten an automatischen Klassifikatoren für technische Aufgaben liegt in der automatischen Wissensakquise. Im ersten Abschnitt des folgenden Beitrags werden typische Ansätze zur automatischen Signalklassifikation vorgestellt. Anschließend wird am Beispiel der Klassifikation von Bremsgeräuschen ein manuell trainierter Vektorklassifikator vorgestellt, der aufgrund des investierten Aufwandes und Expertenwissens eine hohe Klassifikationsgenauigkeit erreicht. Zur Reduzierung des manuellen Trainingsaufwandes wurde ein aufgabenunabhängiges Verfahren des Strukturlernens entwickelt, welches automatisch die Modelle an die Struktur der Testsignale anpasst. Als Verfahrensansatz wurden generalisierte Strukturierte Markov-Graphen (SMG) gewählt. Anhand eines Klassifikators für Zahnradgeräusche wird im dritten Abschnitt demonstriert, dass solche Modelle in Bezug auf Klassenunterscheidung leistungsfähiger als manuell angepasste Klassifikatoren sind.

For analysis and evaluation of acoustical signals from technical processes different approaches are used. In the field of non-destructive testing and acoustic diagnostics signals are increasingly complex. The following paper presents approaches for the automatic classification of technical signals for typical examples. Signals with higher complexity require more performant algorithms like DTW (Dynamic Time Warping) and HMM (Hidden-Markov-Models), which are already applied successfully in speech processing.